kaip java paversti eilutę į sveikąjį skaičių

Mašininio mokymosi vadovėlis apima pagrindines ir išplėstines sąvokas, specialiai sukurtas tiek studentams, tiek patyrusiems dirbantiems specialistams.

Ši mašininio mokymosi vadovėlis padeda išsamiai susipažinti su mašininio mokymosi pagrindais ir ištirti daugybę metodų, įskaitant prižiūrimą, neprižiūrimą ir sustiprintą mokymąsi.

Mašinų mokymasis (ML) yra dirbtinio intelekto (AI) subdomenas, kurio tikslas - kurti sistemas, kurios mokosi arba pagerina našumą pagal gaunamus duomenis. Dirbtinis intelektas yra platus žodis, reiškiantis sistemas ar mašinas, panašias į žmogaus intelektą. Mašinų mokymasis ir AI dažnai aptariami kartu, o terminai kartais vartojami pakaitomis, nors jie nereiškia to paties. Esminis skirtumas yra tas, kad nors visas mašininis mokymasis yra AI, ne visas AI yra mašininis mokymasis.

Kas yra mašininis mokymasis?

Mašininis mokymasis yra studijų sritis, kuri suteikia kompiuteriams galimybę mokytis be aiškiai užprogramuotų. ML yra viena įdomiausių technologijų, su kuria būtų tekę susidurti. Kaip matyti iš pavadinimo, jis suteikia kompiuteriui, kuris daro jį panašesnį į žmones: gebėjimą mokytis. Mašininis mokymasis šiandien aktyviai naudojamas, galbūt daug daugiau vietų, nei būtų galima tikėtis.

Naujausi straipsniai apie mašininį mokymąsi

Turinys

• Įvadas
• Mokymasis be priežiūros
• Sustiprinimo mokymasis
• Matmenų mažinimas
• Natūralios kalbos apdorojimas
• Neuroniniai tinklai
• ML – diegimas
• ML – Programos
• Įvairūs

Mašininio mokymosi ypatybės

• Mašinų mokymasis yra duomenimis pagrįsta technologija. Didelis duomenų kiekis, kurį kasdien generuoja organizacijos. Taigi, atsižvelgdamos į reikšmingus duomenų ryšius, organizacijos priima geresnius sprendimus.
• Mašina gali mokytis iš ankstesnių duomenų ir automatiškai tobulėti.
• Iš pateikto duomenų rinkinio jis aptinka įvairius duomenų modelius.
• Didelėms organizacijoms prekės ženklo kūrimas yra svarbus ir bus lengviau nukreipti į patikimą klientų bazę.
• Tai panašu į duomenų gavybą, nes ji taip pat susijusi su didžiuliu duomenų kiekiu.

Įvadas :

1. Darbo su mašininiu mokymusi pradžia
2. Įvadas į mašininį mokymąsi
3. Kas yra mašininis mokymasis?
4. Įvadas į mašininio mokymosi duomenis
5. Mašininio mokymosi demistifikavimas
6. ML – Programos
7. Geriausios Python bibliotekos mašininiam mokymuisi
8. Dirbtinis intelektas | Pristatymas
9. Mašininis mokymasis ir dirbtinis intelektas
10. Skirtumas tarp mašininio mokymosi ir dirbtinio intelekto
11. Dirbtinio intelekto agentai
12. 10 pagrindinių mašininio mokymosi interviu klausimų

Duomenų apdorojimo supratimas

Python | Sukurkite bandomuosius duomenų rinkinius naudodami „Sklearn“.

Python | Generuokite mašininio mokymosi testų duomenų rinkinius

Python | Išankstinis duomenų apdorojimas Python

Duomenų valymas

Funkcijų mastelio keitimas – 1 dalis

Funkcijų mastelio keitimas – 2 dalis

Python | Etiketės Duomenų rinkinių kodavimas

Python | Vienas karštasis duomenų rinkinių kodavimas

Nesubalansuotų duomenų tvarkymas naudojant SMOTE ir „Near Miss Algorithm“ programoje Python

Dummy kintamųjų spąstai regresijos modeliuose

Prižiūrimas mokymasis:

1. Klasifikavimo pradžia
2. Pagrindinė klasifikavimo samprata
3. Regresijos metodų tipai
4. Klasifikacija vs regresija
5. ML | Mokymosi tipai – prižiūrimas mokymasis
6. Kelių klasių klasifikacija naudojant scikit-learn
7. Gradiento nusileidimas:
   • Gradiento nusileidimo algoritmas ir jo variantai
   • Stochastinis gradiento nusileidimas (SGD)
   • Mini-Batch Gradient Descent su Python
   • Gradiento nusileidimo optimizavimo metodai
   • Įvadas į „Momentum“ pagrįstą gradiento optimizavimo priemonę
8. Tiesinė regresija :
   • Įvadas į tiesinę regresiją
   • Gradiento nusileidimas tiesine regresija
   • Matematinis tiesinės regresijos veikimo paaiškinimas
   • Normalioji lygtis tiesine regresija
   • Tiesinė regresija (Python diegimas)
   • Paprasta tiesinė regresija naudojant R
   • Vienmatė tiesinė regresija Python
   • Keli tiesinė regresija naudojant Python
   • Daugkartinė tiesinė regresija naudojant R
   • Lokaliai svertinė tiesinė regresija
   • Apibendrinti tiesiniai modeliai
   • Python | Tiesinė regresija naudojant sklearn
   • Tiesinė regresija naudojant Tensorflow
   • Praktinis paprastas tiesinės regresijos metodas naudojant R
   • Tiesinė regresija naudojant PyTorch
   • Pyspark | Tiesinė regresija naudojant Apache MLlib
     
   • ML | Bostono būsto Kaggle iššūkis su tiesine regresija
9. Python | Įgyvendinimas Polinominė regresija
10. Softmax regresija naudojant TensorFlow
11. Logistinė regresija:
    • Logistinės regresijos supratimas
    • Kodėl klasifikuojama logistinė regresija?
    • Logistinė regresija naudojant Python
    • Logistinės regresijos sąnaudų funkcija
    • Logistinė regresija naudojant Tensorflow
12. Naivus Bayesas Klasifikatoriai
13. Paramos vektorius:
    • Palaikykite vektorines mašinas (SVM) Python
    • SVM hiperparametrų derinimas naudojant GridSearchCV
    • Palaikykite vektorines mašinas (SVM) R
    • SVM naudojimas netiesinio duomenų rinkinio klasifikavimui atlikti
14. Sprendimų medis:
15. • Sprendimų medis
    • Sprendimų medžio regresija naudojant sklearn
    • Sprendimų medis Įvadas su pavyzdžiu
    • Sprendimų medžio įgyvendinimas naudojant Python
    • Sprendimų medis programinės įrangos inžinerijoje
15. Atsitiktinis miškas:
    • Atsitiktinė miško regresija Python
    • Ansamblių klasifikatorius
    • Balsavimo klasifikatorius naudojant Sklearn
      
    • Pakavimo į maišus klasifikatorius

Mokymasis be priežiūros:

1. ML | Mokymosi tipai – mokymasis be priežiūros
2. Mokymasis prižiūrimas ir neprižiūrimas
3. Klasterizavimas mašininiame mokyme
4. Skirtingi klasterizacijos algoritmų tipai
5. K reiškia klasterizavimą – įvadą
6. Optimalios k reikšmės KMeans alkūnės metodas
7. Atsitiktinės inicijavimo spąstai K-means
8. ML | K-means++ Algoritmas
9. Bandymų duomenų analizė naudojant K-Means Clustering programoje Python
10. Mini Batch K reiškia klasterizacijos algoritmą
11. Vidutinio poslinkio klasterizavimas
12. DBSCAN – tankumu pagrįstas klasterizavimas
13. DBSCAN algoritmo įgyvendinimas naudojant Sklearn
14. Neryškus klasterizavimas
15. Spektrinis klasterizavimas
16. OPTIKA Klasterizavimas
17. OPTIKA Klasterizacijos įgyvendinimas naudojant Sklearn
18. Hierarchinis grupavimas (aglomeracinis ir dalinamasis klasteris)
19. Aglomeracinio grupavimo diegimas naudojant Sklearn
20. Gauso mišinio modelis

Stiprinimo mokymasis:

1. Sustiprinimo mokymasis
2. Sustiprinimo mokymosi algoritmas: Python įgyvendinimas naudojant Q mokymąsi
3. Thompsono mėginių ėmimo įvadas
4. Genetinis mokymosi sustiprinimo algoritmas
5. SARSA stiprinimo mokymasis
6. Q-Learning Python

Matmenų sumažinimas:

1. Įvadas į dimensijų mažinimą
2. Įvadas į branduolio PCA
3. Pagrindinių komponentų analizė (PCA)
4. Pagrindinių komponentų analizė naudojant Python
5. Žemo rango aproksimacijos
6. Linijinės diskriminacinės analizės apžvalga (LDA)
7. Matematinis tiesinės diskriminacinės analizės (LDA) paaiškinimas
8. Bendroji diskriminacinė analizė (GDA)
9. Nepriklausomų komponentų analizė
10. Funkcijų atvaizdavimas
11. Papildomas medžių klasifikatorius funkcijų pasirinkimui
12. Chi kvadrato testas ypatybei pasirinkti – matematinis paaiškinimas
13. ML | T-paskirstytas stochastinio kaimyno įterpimo (t-SNE) algoritmas
14. Python | Kaip ir kur pritaikyti funkcijų mastelį?
15. Funkcijos pasirinkimo parametrai
16. Nepakankamas ir per didelis pritaikymas mašinų mokymuisi

Natūralios kalbos apdorojimas:

1. Įvadas į natūralios kalbos apdorojimą
2. Teksto išankstinis apdorojimas Python | Rinkinys – 1
3. Teksto išankstinis apdorojimas Python | 2 rinkinys
4. Stop žodžių pašalinimas naudojant NLTK Python
5. Tokenizuokite tekstą naudodami NLTK python
6. Kaip veikia teksto, sakinio, žodžių ženklinimas
7. Įvadas į Stemming
8. Kamieniniai žodžiai su NLTK
9. Lematizacija su NLTK
10. Lemmatizacija su TextBlob
11. Kaip gauti sinonimus / antonimus iš NLTK WordNet programoje Python?

Neuroniniai tinklai:

1. Dirbtinių neutralių tinklų įvadas | 1 rinkinys
2. Dirbtinio neuroninio tinklo įvadas | 2 rinkinys
3. Įvadas į ANN (dirbtinius neuroninius tinklus) | 3 rinkinys (hibridinės sistemos)
4. ANN įvadas | 4 rinkinys (tinklo architektūros)
5. Aktyvinimo funkcijos
6. Dirbtinio neuroninio tinklo mokymo proceso įgyvendinimas Python
7. Vieno neurono neuronų tinklas Python
8. Konvoliuciniai neuroniniai tinklai
   • Konvoliucijos neuroninio tinklo įvadas
   • Sujungimo sluoksnio įvadas
   • Įvadas į pamušalą
   • Konvoliucinio sluoksnio paminkštinimo tipai
   • Konvoliucinio neuroninio tinklo taikymas mnist duomenų rinkinyje
9. Pasikartojantys neuroniniai tinklai
   • Įvadas į pasikartojančius neuroninius tinklus
   • Pasikartojančių neuroninių tinklų paaiškinimas
   • sek2seq modelis
   • Įvadas į ilgalaikę trumpalaikę atmintį
   • Ilgalaikės trumpalaikės atminties tinklų paaiškinimas
   • Užblokuoti pasikartojančių vienetų tinklai (GAN)
   • Teksto generavimas naudojant ribotus pasikartojančius vienetų tinklus
10. GAN – generacinis priešpriešinis tinklas
    • Generative Adversarial Network įvadas
    • Generative Adversarial Networks (GAN)
    • Generatyvių priešpriešinių tinklų naudojimo atvejai
    • Generatyvaus priešpriešinio tinklo kūrimas naudojant „Keras“.
    • Modalinis žlugimas GAN
11. Įvadas į gilųjį Q mokymąsi
12. Deep Q-Learning įgyvendinimas naudojant Tensorflow

ML – diegimas:

1. Įdiekite savo mašininio mokymosi žiniatinklio programą („Streamlit“) „Heroku“.
2. Įdiekite mašininio mokymosi modelį naudodami Streamlit biblioteką
3. Įdiekite mašininio mokymosi modelį naudodami „Flask“.
4. Python – kurkite vartotojo sąsajas mašininio mokymosi modelio prototipams kurti naudojant „Gradio“.
5. Kaip paruošti duomenis prieš diegiant mašininio mokymosi modelį?
6. ML modelių diegimas kaip API naudojant FastAPI
   
7. „Scrapy Spider“ diegimas „ScrapingHub“.

ML – Programos:

1. Kritulių prognozė naudojant tiesinę regresiją
2. Ranka rašytų skaitmenų atpažinimas naudojant „PyTorch“ logistinę regresiją
3. Kaggle krūties vėžio Viskonsino diagnozė naudojant logistinę regresiją
4. Python | Movie Recommender sistemos diegimas
5. Palaikykite „Vector Machine“, kad atpažintumėte veido bruožus C++
6. Sprendimų medžiai – netikrų (padirbtų) monetų galvosūkis (12 monetų galvosūkis)
7. Sukčiavimo kredito kortelėmis aptikimas
8. Restoranų apžvalgų NLP analizė
9. Daugiavardžių naivių Bayes taikymas NLP problemoms
10. Vaizdo glaudinimas naudojant K-means klasterizavimą
11. Gilus mokymasis | Vaizdo antraštės generavimas naudojant „Avengers EndGames“ personažus
12. Kaip „Google“ naudoja mašininį mokymąsi?
13. Kaip NASA naudoja mašininį mokymąsi?
14. 5 pribloškiantys būdai, kaip „Facebook“ naudoja mašininį mokymąsi
    
15. Tikslinė reklama naudojant mašininį mokymąsi
16. Kaip mašininį mokymąsi naudoja žinomos įmonės?

Įvairūs:

1. Rašto atpažinimas | Įvadas
2. Apskaičiuokite dvejetainio klasifikatoriaus efektyvumą
3. Logistinė regresija v/s sprendimų medžio klasifikacija
4. R vs Python duomenų moksle
5. Pagrindinių funkcijų, susijusių su A3C algoritmu, paaiškinimas
6. Skirtingas privatumas ir gilus mokymasis
7. Dirbtinis intelektas prieš mašininį mokymąsi prieš gilųjį mokymąsi
8. Įvadas į kelių užduočių mokymąsi (MTL), skirtą giliam mokymuisi
9. 10 geriausių algoritmų, kuriuos turėtų žinoti kiekvienas mašininio mokymosi inžinierius
10. Azure virtuali mašina mašininiam mokymuisi
11. 30 minučių iki mašininio mokymosi
12. Kas yra AutoML mašininiame mokyme?
13. Sumaišties matrica mašininiame mokyme

Būtinos sąlygos mokytis mašininio mokymosi

• Žinios apie tiesines lygtis, funkcijų grafikus, statistiką, tiesinę algebrą, tikimybę, skaičiavimą ir kt.
• Rekomenduojamos bet kokios programavimo kalbos žinios, pvz., Python, C++, R.

DUK apie mašininio mokymosi pamoką

1 klausimas Kas yra mašininis mokymasis ir kuo jis skiriasi nuo giluminio mokymosi?

Atsakymas :

Mašininis mokymasis kuria programas, kurios gali pasiekti duomenis ir iš jų mokytis. Gilus mokymasis yra mašininio mokymosi sritis. Gilus mokymasis palaiko automatinį funkcijų ištraukimą iš neapdorotų duomenų.

Q.2. Kokie yra skirtingų tipų mašininio mokymosi algoritmai?

Atsakymas :

• Prižiūrimi algoritmai: tai algoritmai, kurie mokosi iš pažymėtų duomenų, pvz. vaizdai, pažymėti šuns veidu ar ne. Algoritmas priklauso nuo prižiūrimų arba pažymėtų duomenų. pvz. regresija, objektų aptikimas, segmentavimas.
• Neprižiūrimi algoritmai: tai algoritmai, kurie mokosi iš nepažymėtų duomenų, pvz. vaizdų krūva, pateikta panašiam vaizdų rinkiniui sukurti. pvz. grupavimas, matmenų mažinimas ir kt.
• Pusiau prižiūrimi algoritmai: algoritmai, kuriuose naudojami ir prižiūrimi, ir neprižiūrimi duomenys. Didžioji dalis šiems algoritmams naudojamų duomenų nėra prižiūrimi duomenys. pvz. anamolijos nustatymas.

Q.3. Kodėl naudojame mašininį mokymąsi?

Atsakymas :

Mašininis mokymasis naudojamas priimant sprendimus remiantis duomenimis. Modeliuodami algoritmus remdamiesi istoriniais duomenimis, algoritmai randa modelius ir ryšius, kuriuos žmonėms sunku aptikti. Šie modeliai dabar toliau naudojami būsimoms nuorodoms numatyti nematomų problemų sprendimą.

Q.4. Kuo skiriasi dirbtinis intelektas ir mašininis mokymasis?

Atsakymas :

DIRBTINIS INTELEKTAS	MAŠINŲ MOKYMASIS
Sukurkite išmanią sistemą, kuri atlieka įvairius sudėtingus darbus.	Sukurkite mašinas, kurios gali atlikti tik tuos darbus, kuriems jie buvo išmokyti.
Tai veikia kaip programa, kuri atlieka protingą darbą.	Užduočių sistemos mašina ima duomenis ir mokosi iš duomenų.
AI turi daug įvairių programų.	ML leidžia sistemoms išmokti naujų dalykų iš duomenų.
AI veda išmintį.	ML veda į žinias.